视频生成模型太大跑不动？LTX-2.3 10Eros v1.2 MLX-q8 让 16GB 内存 Mac 也能本地出片

视频生成模型太大跑不动？LTX-2.3 10Eros v1.2 MLX-q8 让 16GB 内存 Mac 也能本地出片

【免费下载链接】ltx-2.3-10eros-v1.2-mlx-q8项目地址: https://ai.gitcode.com/hf_mirrors/MLXBits/ltx-2.3-10eros-v1.2-mlx-q8

想让 Mac 本地跑视频生成模型，你是不是也卡在同一个地方：模型动辄十几个 GB，内存一加载就爆，出片慢得能泡完一壶茶？这篇要讲的 LTX-2.3 10Eros v1.2 MLX-q8，正是一款专为 Apple Silicon 打磨的 8 位量化视频生成模型。读完你会得到三样东西：19GB 的 transformer 是怎么被塞进 16GB 内存的答案、开发版和蒸馏版到底该选谁的判断依据，以及从克隆仓库到真正出片的全流程走法。

先把话说清楚：这篇文章替你解决哪三件事

本地视频生成让人劝退的，翻来覆去就是三个老大难：

下面逐个拆开讲，每一个痛点都对应仓库里真实存在的文件，你可以按图索骥去验证。

痛点一：动辄 19GB 的模型，Apple Silicon 真的啃得动吗

答案藏在仓库根目录的 quantize_config.json 里，三行配置说清了全部量化策略：

• 位数：int8，也就是 8 位整数量化；
• 分组：group size 64，按 64 个数值一组共享缩放系数，精度损失更小；
• 范围：只量化transformer_blocks内部的nn.Linear线性层。

为什么只挑线性层下手？因为 MLX 目前还不支持量化卷积层，AdaLN、各类 projection、连接器、VAE 和声码器都得老老实实保持 bf16。这种"精准打击"式的量化，既绕开了技术限制，又正好切中了 transformer 里最占显存、最耗算力的部分，一举两得。

量化省下来的不是一点半点：原始 10Eros v1.2 的 transformer 权重约 19GB，经过这套处理之后，16GB 内存的 Mac 也能靠着流式加载把它跑起来，32GB 设备更是能体验完整功能。这就是"Apple Silicon 专属"的真正含义——不是为了省事，而是为了让消费级内存真正够得着这个量级的模型。

痛点二：16GB 内存的 Mac，会不会一跑就爆

这是新手问得最多的问题，直接给结论：会爆，除非你用对参数。

模型文件本身不会全量驻留内存。ltx-2-mlx 提供--low-ram参数，把推理改成按 block 分块流式执行，加载一块、算一块、释放一块。16GB 设备加上这个参数，再配合 q8 量化，就能把 transformer 的峰值内存需求压进可承受范围；32GB 设备理论上也可以开--low-ram求稳，但不开也能完整跑。

这个仓库贴心的地方在于：它把两种 transformer 变体都给你备齐了，放在同一个目录下共用一套周边组件：

• transformer-dev.safetensors：10Eros v1.2 开发版底座，int8 量化，保留完整生成流程，适合追求可控性的玩家；
• transformer-distilled-1.1.safetensors：蒸馏版，内部已预融合 rank-384 蒸馏 LoRA，int8 量化，牺牲少量自由度换取出片速度。

另外目录里还有两个ltx-2.3-22b-distilled-lora-384*.safetensors（约 7.1GB，bf16），供"开发版实时换蒸馏版"的流式切换场景使用。也就是说，你不需要为了换一种生成风格再下载一份完整模型。

痛点三：出片又慢又糊，怎么把质量提上来

速度和质量不是单选题，这个仓库给了三条并行的路子：

第一，要快就认准蒸馏版。一条命令切到蒸馏模式，配合-H 480 -W 704 -f 97这种常用分辨率帧数，先出片再优化，是原型验证阶段的最优解：

ltx-2-mlx generate \ --model ./ltx-2.3-10eros-v1.2-mlx-q8 \ --prompt "你的提示词" \ --distilled \ -H 480 -W 704 -f 97 -o output.mp4

第二，要质就走两阶段。--two-stage会让开发版先做主体生成，再用蒸馏版配合 CFG 精修，最后统一交给上采样器放大。多花一点时间，换来的是明显更扎实的画面细节，这也是官方推荐的出片姿势：

ltx-2-mlx generate \ --model ./ltx-2.3-10eros-v1.2-mlx-q8 \ --prompt "你的提示词" \ --two-stage -o high_quality_output.mp4

第三，嫌分辨率不够，还有上采样器兜底。仓库里同时放了spatial_upscaler_x2_v1_1.safetensors（2× 神经潜在空间上采样）、spatial_upscaler_x1_5_v1_0.safetensors（1.5×）和temporal_upscaler_x2_v1_0.safetensors（2× 时间上采样），空间和时间两个维度都能补齐。

顺带一提，想做图生视频也不用换工具：任意模式后面加一个--image 你的图片.jpg参数即可，从文本到图片再到视频，一条流水线全包。

打开仓库，看看这条流水线都由什么拼出来的

整个仓库不是孤零零一个模型文件，而是一套按ltx-2-mlx预期布局的完整 split 结构，所有组件协同完成"文本 → 视频 → 音频"的端到端生成：

注意两个细节：第一，文本编码器 Gemma 3 12B不包含在这个仓库里，ltx-2-mlx 运行时会通过 mlx-lm 自动加载，所以你不用手动处理；第二，模型本身是"音视频一体"的，config.json 里写明它采用 AudioVideo 结构，32 个注意力头（头维度 128）、48 层网络、交叉注意力维度 4096，音频侧同样有 32 个注意力头，支持音频-视频交叉注意力，这也是它能同时输出带声视频的基础。

新手最容易踩的五个坑，一次说清

1. 没装运行环境就跑命令：这个仓库只提供模型文件，运行依赖 Apple Silicon 上的 ltx-2-mlx，先装好环境再 clone，顺序别反；
2. 16GB 内存忘了加--low-ram：不加必爆内存，加了才稳，这是 16GB 设备出片的前提条件；
3. 把 7.1GB 的 LoRA 文件当主模型：那两个ltx-2.3-22b-distilled-lora-384*.safetensors是给流式切换路径用的，日常生成走的是 transformer-distilled-1.1.safetensors；
4. 以为 clone 下来就能用：文本编码器是运行时自动加载的，首次运行会联网下载 Gemma 3 12B，提前有心理准备；
5. 忽视许可证条款：见下一节，这不是走过场。

克隆命令在这里，其余按上面的命令照做即可：

git clone https://gitcode.com/hf_mirrors/MLXBits/ltx-2.3-10eros-v1.2-mlx-q8

动手前的最后一件事：许可证与合规，不是走过场

必须把丑话说在前面：10Eros 模型仅供成人使用。下载和运行本模型，即代表你确认已到达所在司法辖区的法定年龄，并对生成内容承担全部责任——不要用它制作非法内容，也不要未经同意生成真实可辨认人物的肖像。

授权层面是双重约束：模型整体受 LTX-2 许可证约束，同时 10Eros 微调版本还有自己的附加条款，任何形式的再分发之前，务必先核对上游模型卡片的要求。这些都是硬性边界，别等到作品发布才想起来补课。

写在最后：这套方案到底适合谁

一句话总结：如果你手里是一台 16GB 或 32GB 内存的 Apple Silicon Mac，想本地跑通文本到视频、图像到视频甚至带音频的视频生成，又不想被动辄几十 GB 的原始权重劝退，那么 LTX-2.3 10Eros v1.2 MLX-q8 就是目前最顺手的入口之一。量化省内存，双变体给选择，整条流水线开箱即用，你要做的只是决定：今天用蒸馏版图快，还是上两阶段追求质量。

先跑通再说别的——毕竟，看再多的参数对比，都不如自己亲手生成的第一段视频来得实在。

【免费下载链接】ltx-2.3-10eros-v1.2-mlx-q8项目地址: https://ai.gitcode.com/hf_mirrors/MLXBits/ltx-2.3-10eros-v1.2-mlx-q8